💡💡💡本文独家改进:一种即插即用的通用注意力模块Sea_AttentionBlock ,带有squeeze Axial和细节增强,二次创新引入到YOLOv7增强特征提取能力
Sea_AttentionBlock | 亲测在多个数据集能够实现大幅涨点
收录:
YOLOv7高阶自研专栏介绍:
http://t.csdnimg.cn/tYI0c
✨✨✨前沿最新计算机顶会复现
🚀🚀🚀YOLOv7自研创新结合,轻松搞定科研
🍉🍉🍉持续更新中,定期更新不同数据集涨点情况
1.SeaFormer介绍
论文: https://arxiv.org/pdf/2301.13156.pdf
相较于 CNNs 而言,ViT 模型在精度方面现已逐渐主导 CV 领域。然而,我们知道 ViT 的一个普遍缺陷便是计算成本和内存要求高。特别地,针对高分辨率的逐像素密集分类的语义分割任务来说,应用 ViT 模型简直不敢相信。
为了更好的解决这个问题,本文提出了一种面向移动端应用的新方法——